Nueva herramienta usa aprendizaje automático para determinar candidatos a trombectomía endovascular

La herramienta puede analizar imágenes, “aprendiendo” automáticamente sutiles patrones

Un algoritmo desarrollado por la el Centro de Ciencias de la Salud de la Universidad de Texas en Houston (UTHealth) puede ayudar a los médicos que se encuentran fuera de los principales centros de tratamiento, a evaluar si un paciente que sufre un accidente cerebrovascular isquémico, se beneficiaría de un procedimiento endovascular para eliminar un coágulo que obstruye una arteria.

Los resultados de su estudio clínico, se publicaron en línea en la revista Stroke en el artículo “Machine Learning–Enabled Automated Determination of Acute Ischemic Core From Computed Tomography Angiography” (Determinación automatizada habilitada por aprendizaje automático del núcleo isquémico agudo de la angiografía por tomografía computarizada).

La trombectomía endovascular es un procedimiento que consiste en enhebrar un catéter a través de la arteria femoral, desde la extremidad inferior hasta el cerebro, donde el coágulo se puede eliminar mecánicamente. Desde 2015, los estudios han demostrado que puede mejorar los resultados para los pacientes con accidente cerebrovascular. Pero solo si la cantidad de tejido cerebral lesionado es mínima en el momento del tratamiento.

Desafortunadamente, la neuroimagen avanzada útil para detectar en cuestión de horas si un paciente es candidato para el tratamiento, se limita a la resonancia magnética emergente o la perfusión de tomografía computarizada (TC). Ese tipo de tecnología y experiencia no están disponibles en la mayoría de los hospitales comunitarios y centros de accidente cerebrovascular primario.

Con la trombectomía endovascular, ahora tenemos un tratamiento para el accidente cerebrovascular isquémico que es realmente revolucionario. Nos permite llevar a los pacientes con accidente cerebrovascular de una discapacidad grave y devolverlos a una vida casi normal“, dijo el médico Sunil A. Sheth, uno de los autores del artículo y profesor de neurología en la Escuela de Medicina McGovern en UTHealth. “Desafortunadamente, las técnicas de imagen avanzadas utilizadas actualmente para identificar qué pacientes se benefician de este procedimiento no están ampliamente disponibles fuera de los grandes hospitales de referencia. Como resultado, la mayoría de los pacientes con accidente cerebrovascular no tienen acceso a pruebas de detección basadas en las guías para estos tratamientos”.

En respuesta, los doctores Sheth y Luca Giancardo, autor principal y profesor asistente de la Facultad de Informática Biomédica de la UTHealth, desarrollaron una herramienta de aprendizaje automático que podría usarse con una técnica de imagen ampliamente disponible, el angiograma TC. La herramienta puede analizar imágenes, “aprendiendo” automáticamente sutiles patrones que se pueden usar como intermediario para otras modalidades de imagen más avanzadas; pero no fácilmente disponibles, como la perfusión TC. La arquitectura de aprendizaje automático, llamada DeepSymNet, se desarrolló en UTHealth.

Para probar la herramienta, el equipo de investigación identificó a los pacientes que habían sufrido un accidente cerebrovascular o tenían condiciones que lo imitaban.

De los 224 pacientes que tuvieron accidente cerebrovascular, 179 tenían vasos sanguíneos cerebrales que estaban bloqueados. El algoritmo DeepSymNet aprendió a identificar estos bloqueos a partir de las imágenes de angiograma TC; y entrenó al software para usar esas mismas imágenes para definir el área del cerebro que había muerto, usando imágenes previas de perfusión CT como la “norma de oro“.

La ventaja es que no tiene que estar en un centro de salud académico o en un hospital de atención terciaria para determinar si este tratamiento beneficiaría al paciente. Y lo mejor de todo, el angiograma TC ya se usa ampliamente para pacientes con accidente cerebrovascular“, dijo Sheth.

Nueva tecnología de imágenes en tiempo real tiene potencial de eliminar necesidad de cirugías secundarias en oncología

Parsin Haji Reza
El investigdor Parsin Haji Reza de la Universidad de Waterloo trabajando en su laboratorio.

El tratamiento del cáncer podría mejorar dramáticamente con un invento de la Universidad de Waterloo, de Ontario, Canadá, que permite localizar con precisión los bordes de los tumores cancerosos durante una cirugía para extirparlos.

Antecedentes

La nueva tecnología de imágenes utiliza una forma en que la luz de los lásers interactúa con los tejidos cancerosos y los sanos para distinguir unos de otros en tiempo real; y sin contacto físico. Es un avance que genera el potencial de eliminar la necesidad de cirugías secundarias para extirpar el tejido maligno.

Este es el futuro, un gran paso hacia nuestro objetivo final de revolucionar la oncología quirúrgica“, dijo Parsin Haji Reza, profesor de ingeniería de diseño de sistemas que dirige el proyecto: “Intraoperatoriamente, durante la cirugía, el médico podrá ver exactamente qué cortar y cuánto cortar“.

Un artículo sobre el trabajo, “All-optical Reflection-mode Microscopic Histology of Unstained Human Tissues” (Histología microscópica en modo de reflexión totalmente óptico de tejidos humanos no teñidos), se publicó el pasado 16 de septiembre en la revista Scientific Reports.

Actualmente los médicos confían principalmente en imágenes de resonancia magnética preoperatorias y tomografía computarizada; además de su experiencia y la inspección visual que realizan, para determinar los márgenes de los tumores durante las operaciones.

Luego, las muestras de tejido se envían a los laboratorios para su análisis, con un tiempo de hasta 2 semanas para que los resultados muestren si el tumor se extirpó por completo o no.

En un 10% de los casos puede haberse omitido una parte del tejido canceroso y se requiere de una segunda operación para removerlo. Las tasas varían ampliamente para los diferentes tipos de tumores.

Tecnología fotoacústica

La tecnología desarrollada en la Universidad de Waterloo es fotoacústica y funciona enviando pulsos de luz láser al tejido objetivo, que los absorbe, calienta, expande y produce ondas de sonido. Un segundo láser lee esas ondas de sonido; que luego se procesan para determinar si el tejido es canceroso o no.

El sistema ya se ha utilizado para hacer imágenes precisas de muestras de tejido humano incluso relativamente gruesas y no tratadas por primera vez. 

Siguientes pasos

Los siguientes pasos incluyen la obtención de imágenes de muestras de tejido recientemente tomadas durante las cirugías; la integración de la tecnología en un microscopio quirúrgico y finalmente, el uso del sistema directamente en los pacientes durante las operaciones.

Esto tendrá un tremendo impacto en la economía de la atención de la salud; será sorprendente para los pacientes y brindará a los médicos una nueva y gran herramienta“, dijo Haji Reza, director de PhotoMedicine Labs en Waterloo:Ahorrará mucho tiempo, dinero y ansiedad“.

Los investigadores esperan desarrollar un sistema completamente funcional dentro de aproximadamente 2 años. El proceso incluye la necesidad de superar obstáculos éticos y asegurar los permisos regulatorios.